神经形态控制器可增强微型飞机着陆期间的控制

 
飞行昆虫能够有效地在环境中导航，处理视觉刺激以避免障碍物并安全着陆在各种表面上。在过去的十年左右的时间里，全球的研究团队一直在尝试使用类似于昆虫中观察到的机制，在自动微型飞行器(MAV)中复制这些功能。
多年来，TU Delft的MAVLab的研究人员一直在尝试开发受昆虫启发的技术，以增强小型无人机的导航和着陆策略。在arXiv上预先发表的最新论文中，他们介绍了一种创建神经形态控制器的新策略，该控制器可以改善MAV的着陆。
进行这项研究的研究人员之一杰西·哈格纳尔斯(Jesse Hagenaars)告诉TechXplore：“在代尔夫特大学的MAVLab，我们研究了小型无人机的自动飞行。” “这是一个重大挑战，因为我们的无人机(有时轻至20克)在能量，感测和处理方面的资源极为有限。这就是为什么我们从自然界特别是从飞行昆虫中汲取很多灵感的原因。”
在先前的工作中，MAVLab的研究人员使用尖峰神经网络(SNN)开发了一系列生物启发性技术，用于基于视觉的运动估计。 SNN是一类人工神经网络，它使用激活峰值来计算和分析信息，从而紧密模拟人脑中的神经网络。
在他们的新研究中，Hagenaars和他的同事们希望将他们的技术更进一步，利用它们来控制MAV的飞行和着陆。为此，他们与荷兰国家计算机科学与数学研究所(CWI)开始了合作，该研究所在尖峰神经网络的开发方面拥有很高的专业知识。
Hagenaars说：“我们研究的最终目标是将运动估计和控制连接起来，得到一条完全受生物启发的管道，与传统的基于视觉的控制方法相比，这将在能源消耗方面更加高效。” “目前，为了证明控制部分的可行性，我们将我们的方法应用于着陆演习。”
先前开发的在基于视觉的着陆期间控制MAV的技术都是基于比例控制器和常规ANN。基于SNN的控制器有可能以更高的能源效率实现相似甚至更好的结果。
与传统的人工神经网络(ANN)不同，在传统的人工神经网络中，每个神经元在每个时间步都传递真实值，而SNN仅在受到足够刺激时才输出二进制峰值。考虑到每个单独的峰值或计算都需要一定量的能量，SNN往往比传统的ANN更加节能，因为它们通常使用所谓的“神经形态硬件”来实现。
Hagenaars说：“虽然我们没有在神经形态硬件上实现尖峰控制器，但在能源效率方面，我们却采取了更进一步的措施，即最大限度地减少了网络执行控制所用的尖峰数量。” “这是通过在控制器的进化优化过程中将尖峰的数量作为目标来实现的。”
Hagenaars和他的同事使用仿真工具训练了他们基于SNN的控制器，然后评估了它们在现实环境中的性能。他们的实验产生了非常令人鼓舞的结果，控制器使MAV快速安全地着陆，同时将SNN尖峰保持在最低水平，从而使能源消耗降至最低。
有趣的是，研究人员还发现产生更少尖峰(即花费更少能量)的尖峰控制器的性能与产生更多尖峰的控制器一样。实际上，限制传入峰值的数量似乎简化了控制器着陆能力从模拟环境到真实世界的转移。
Hagenaars说：“首先，这项工作是第一个将尖峰神经网络集成到实际飞行机器人的控制回路中的工作。” “第二，我们大大降低了控制器的尖峰频率，这在神经形态硬件上实现时可节省大量能源。除了使尖峰网络尽可能小之外，我们还将网络尖峰率作为目标纳入多目标演进中。 。”
Hagenaars和他在TU Delft的同事是最早使用SNN在现实世界环境中控制飞行机器人的人之一。他们创建的控制器最终可以帮助研究人员提高现有和新开发的MAV的性能和能效，尤其是在着陆期间。
Hagenaars说：“我们最近的论文只关注基于给定运动估计的生物启发式控制。” “但是，估计这种运动的实际方法不是很受生物启发。因此，我们现在想将控制器与MAVLab先前开发的生物启发运动估计方法(也基于尖峰网络)结合起来，以结束 完全是受生物启发的管道。”
到目前为止，研究人员仅在常规芯片上测试了他们的控制器，但是他们预测的节能只能使用神经形态硬件来实现。 因此，在未来的工作中，他们还希望将它们实现在神经形态芯片上，例如英特尔的Loihi芯片。